本文概述了 Agent 的概念和应用通过实例展示了 Agent 如何处理复杂任务并深入探讨了 Agent 系统设计的核心即如何将模型的判断与执行过程相结合。文章还讨论了 Agent 中的关键要素如工具、上下文、Skill、多 Agent、运行环境和评测以及它们如何协同工作。此外本文还强调了信息管理、多 Agent 协作和生命周期管理的重要性为读者提供了全面了解 Agent 技术的视角。我们常说 2025 年是 Agent 元年事实上今年小龙虾爆发后大家对 Agent 的熟悉度才真正的起来了那么到底什么是 Agent也许我们今天可以来一个 2026 Agent 概述了把这样一个任务交给 AI看看这个客户最近的订单和沟通记录 判断他为什么迟迟没有续约整理一份跟进建议 等我确认后把消息发给他这句话很短背后却是一整套软件行为系统需要识别客户取得访问权限查询多个数据源判断信息是否足够生成建议等待确认执行发送最后检查消息是否真的发出。中间还可能遇到权限不足以及用户临时修改要求等问题。Agent 要处理的就是这一类需要根据现场情况不断作出判断的任务。今年 Agent 很火围绕它出现了不少新名词。站在产研的角度更值得理解的是这些能力如何组成可以工作的系统我们常说的薄 Harness 厚 Skills 又是什么。Agent 系统设计的核心是把模型在运行中作出的判断接到一个可验证、可恢复的执行过程里。模型负责灵活理解与探索程序保证执行规则人承担关键决策与责任。工具、上下文、Skill、多 Agent、运行环境和评测都围绕这条主线展开。Agent 围绕任务组织能力传统软件通常把能力拆成菜单和页面。用户找到客户查看订单翻阅沟通记录再到消息系统里完成跟进。流程中的行为大量发生在人身上软件提供功能人负责把功能串起来。Agent 接过了其中一部分组织工作。它理解目标选择信息和工具根据执行反馈调整后续动作。它的产品价值可以概括为压缩用户和结果之间的这个中间层。理解这个变化首先要区分三个东西。大模型提供理解、推理和生成能力。工具让系统取得信息、执行操作。Agent 则通过运行机制把模型判断与工具执行接成循环例如搜索结果不足时继续补查发现订单与沟通记录冲突时核实满足任务要求时停止。这里存在运行中的决策。工作流会提前组织控制路径先查询再分类再生成报告。Agent 则把部分路径选择交给模型让它根据反馈继续判断。这是一种有用的架构区分实际系统可以组合使用两种机制。因此讨论 Agent 时核心问题也就出来了任务中哪些决定能够提前确定哪些需要现场判断以及这些判断出错会造成什么后果。一个规则清楚的报销流程完全可以把节点固定下来在票据理解等位置使用模型。一个复杂的故障排查任务则可能需要不断读取新证据调整排查方向。自主程度应当跟着任务需要变化。企业系统也会继续承担重要职责。CRM、ERP 除了保存客户、订单和库存还负责业务校验、事务和权限。Agent 可以在它们之上组织任务也可以直接成为现有系统的一部分。Agent 为软件增加了任务执行能力原有系统中的业务事实与执行规则仍需要可靠地维护。这也解释了 Coding Agent 为什么容易成为一个观察样本代码库提供上下文终端和脚本提供行动能力测试与构建产生反馈版本控制帮助恢复代码改动。换到企业业务这些条件往往需要重新建设。资料可能分散在不同部门接口未开放业务标准只在专家脑子里一些动作还无法撤回。判断一个场景适不适合 Agent可以先看四个条件信息能否取得工具能否使用结果能否验证失败能否恢复。这比从无脑使用 Agent 架构更容易得到清楚的设计。架构关系与运行过程要去理解 Agent可以先把整个系统放到一张职责图里Harness 组织一次次判断与执行Runtime 承载实际操作业务系统保存需要落地的事实。围绕这条关系任务控制提供边界资料与状态提供依据观测与评测提供改进所需的证据这四组职责分别回答四类问题职责组核心问题任务与控制谁让它做什么允许做到哪一步遇到什么情况要停判断与执行下一步怎样决定能力怎样调用操作在哪里执行状态与资料信息存在哪里哪个来源可信执行后更新了什么观察与改进怎样知道做对了出了问题改哪里改动有没有退化这是组织系统设计的一种方式不要求拆成四个服务Runtime 中运行的工具可以访问业务接口、读写文件上下文管理决定哪些资料进入模型执行记录再进入观测与评测。图中的反馈也包括根据评测结果调整配置、验证新版本的过程。Harness 可以理解为围绕模型工作的执行与控制机制包括上下文装配、工具调用、循环控制、暂停恢复、权限检查与运行记录不同实现会有不同边界。Runtime 则回答资源问题命令在哪台机器上运行依赖装在哪里文件怎样保存浏览器消耗谁的资源。有了这张地图再让客户跟进任务完整跑一遍。系统先确认用户身份和任务约束准备当轮上下文。模型要求查询订单程序校验后执行再把结果交回模型。模型发现缺少沟通记录继续补查信息足够后生成建议等待用户确认批准后执行发送再交付结果。在自定义函数调用中模型提出请求 → 应用执行 → 结果交回模型是基本机制提供方内建工具也有相应的执行服务第一张图表达系统关系第二张图表达一次执行。把两者分开后面的设计就容易定位工具问题影响行动上下文问题影响判断依据恢复问题影响任务持续评测问题影响验收。还要把交流记录与任务状态分开。用户可以换一个对话继续同一项任务一次任务也可能因失败产生多次运行。系统需要追踪目标、已执行步骤和已经产生的业务效果。用户说“接着做”应该能够恢复明确的任务状态。模型返回“完成了”则要继续核验交付物与业务状态。Agent Loop 是推进任务的循环验收机制决定这个循环什么时候有资格结束。工具需要行动反馈给 Agent 接入接口真正的难点在于把接口变成它能够准确选择、正确使用、理解反馈的能力。模型并不知道研发脑子里的业务背景。它通常依据名称、描述、参数和历史结果选择工具假设有三个工具分别叫智能查询、增强查询、高级查询。这些名字没有说明什么时候使用模型就很难稳定选择。更清楚的设计是按业务职责表达根据订单号查当前状态根据客户和时间范围批量查订单或者检索公开资料。工具说明还要交代不适用的情况避免能力重叠。工具描述同时承担了使用说明和选择规则的职责。描述模糊会直接变成运行中的选择成本。数量也需要围绕任务收敛。把每个底层接口都原样暴露出来可能让模型反复寻找把所有操作塞进一个万能工具又可能让参数复杂得难以理解。合适的粒度要通过真实任务验证。输入方面可以把确定性的转换留给程序。用户说“发到项目群”模型表达目标系统解析候选对象、检查权限、映射内部 ID。同名对象无法唯一确定时返回候选项或要求澄清。模型可以继续使用工具返回的稳定 ID但应减少凭空构造、反复转抄复杂标识的负担。工具返回的内容不只是执行结果也是 Agent 下一轮判断的依据。只告诉它失败了却不告诉它失败在哪里下一轮就只能继续猜。一个success: false通常不足以支持恢复。身份过期、查询为空、版本冲突和网络超时需要的处理方式并不相同。以群聊为例Agent 看完第 142 条消息开始组织回复等它准备发送时群里已经出现第 144 条消息。新内容可能改变原来的判断。发送接口可以要求携带已读取的消息版本在执行时检查状态。发生冲突时返回类似这样的信息。以下是一个简化的设计示例{ status: conflict, code: STALE_CONTEXT, observed_version: 142, current_version: 144, next_action: 读取新增消息重新判断是否发送 }是否遇到新消息就拒绝发送可以按产品场景决定。这个例子说明的关键是Agent 的决策基于一个状态快照执行时要判断这个快照是否仍然有效。但版本校验还要考虑任务能否继续推进。假如群里一直有人发消息每次发送都因序号变化被拒绝Agent 就可能一直刷新迟迟发不出回复所以真实业务会涉及很多策略设计。防止过期执行与保证任务继续推进需要一起设计。这类问题同样会出现在库存调整、订单处理和多人跟进客户中。执行还需要可信的身份用户确认也要绑定具体动作。批准向某位客户发送某段内容不意味着收件人和内容改变后仍可直接发送。系统需要保存确认记录并在执行前核验。MCP、CLI、Bash 都可以帮助组织行动能力。MCP 规范能力的发现和调用CLI 把能力封装为命令Bash 等 Shell 能够组合命令和运行脚本。MCP 可以本地运行CLI 也可以访问远端服务。它们怎样封装不会改变执行端的责任。工具提示帮助模型理解能力实际的文件、网络和业务权限仍要由程序约束。MCP 规范也明确要求服务端进行输入与访问权限校验。一个工具是否设计完整可以沿四个环节检查选得对、调得动、读得懂结果、失败后知道如何处理。上下文管理客户跟进任务中模型需要知道客户是谁当前订单怎样最近沟通过什么哪些要求已经确认。这些信息共同构成当轮决策的上下文。上下文工程要解决的就是信息从哪里来、怎样组织、何时更新以及怎样让后续执行继续使用它。企业里许多看似模型不懂业务的问题实际发生在信息进入模型之前。“退款”指申请退款还是已经退回资金“本月销售额”按下单、付款还是确认收货计算两个系统中的客户名称是否代表同一个对象口径不清楚模型很难替组织自动达成共识。检索能够把相关资料找出来资料本身仍然需要明确的语义。企业 Agent 因此经常需要进入数据治理和业务规则整理还有一些判断依据根本没有进入正式业务系统。客户经理为什么认为某个客户还值得跟进供应商为什么不愿按原数量补货这些信息可能还在聊天、Excel 或 Word 里。系统记录了最后的结果未必记录形成结果的过程。因此企业 Agent 的信息建设还要逐步取得业务人员实际使用的规则与判断依据。接通数据库只是其中一部分。把信息接通之后还要控制进入上下文的方式。一份十万行的订单数据可以保存在文件或数据库里让程序过滤聚合再把结果和出处交给模型。这样既减少反复传递也把确定性计算交给了更适合的执行方式。判断所需的信息要充分信息进入上下文的方式要有选择。长任务还会不断产生历史。压缩能够减少体积但必须保住后续执行需要的东西原始目标、最新约束、已确认的决定、失败原因、未完成事项以及重要证据的地址。一段已经完成前期分析的摘要没有说明哪些信息已经核实也没有说明接下来等谁决定很难支持可靠恢复。过度压缩可能丢掉后来才显得重要的细节这也是官方上下文工程实践明确讨论过的问题。为避免混淆可以把四类信息分开管理任务状态记录现在做到哪里。业务知识解释规则与方法。长期记忆保存适合跨任务使用的稳定信息。执行存档保存原始结果和日志供追溯和重新读取它们的更新方式不同。一次出差地点不能轻易写成长期住址聊天摘要中的付款状态也不能替代执行前对订单系统的查询。记忆是帮助继续工作的派生信息关键业务事实要能够回查。信息还要有可见范围。个人偏好、客户资料、团队规则和公司知识不应因为接进了同一个 Agent 就自动相互开放。任务委派给子 Agent 时也要明确可以传递哪些信息。外部资料的身份同样重要。网页、邮件可以提供证据其中夹带的指令不应获得系统规则的权限。来源、内容与授权需要分开理解。最后上下文建设还包含维护工作。设计文档与代码不一致知识库里并存多个互相冲突的版本都会使模型判断更加困难。接入能力可以一次完成信息的新鲜度、语义和一致性需要长期维护。Skill业务判断与过程调整工具回答能够做什么Skill 进一步说明这类事情应该怎样做。例如搜索工具可以找到海外达人但“找到适合某个品牌的达人”还需要判断在哪些平台搜索怎样组合关键词哪些账号需要排除如何判断活跃度和匹配程度数据不足时是否继续补查。这里比较难的经常又是那些老大难的标准问题到多少它算是好的到多少它算是坏的。这些阈值、例外和证据要求才是值得沉淀的经验。写出“搜索、筛选、生成报告”不难。难的是告诉它什么情况应该补查什么情况可以淘汰什么情况必须回来问人我们之前参与过的一个出海营销 Agent 的实现就经历过几次调整。最初尝试让模型直接生成代码完成工作。文档转换等相对简单的任务可以做但串联较长的业务步骤时稳定性不足。随后把流程接成外部工作流封装给 Agent 调用执行路径变得明确却又难以让 Agent 理解和调整内部环节。再把能力拆成工具也没有直接结束问题。固定路径容易保证顺序用户却希望在中间改变条件完全临时编排又会增加不确定性。最终需要在步骤组织、工具粒度与模型判断之间重新分配职责。这里的冲突很具体用户既希望任务稳定完成又希望已经完成一半的工作可以修改。总之这不是个确定性问题而是个权衡的问题咨询报告能把这个问题展示得更清楚。一个用于企业咨询交付的 YouTube 分析流程需要收集参数、抓取视频与评论、清洗数据、检查资料范围、调整分词最后生成洞察报告。分析师会先检查抓到的视频是否相关再检查分词和分析结果。报告中的稳定格式与可视化部分可以交给脚本生成。这类交付需要“每一步都要有可解释性”因为结论还要交给客户使用。假设分析师看完分词结果要求把两个词归并再重新查看结论。这是对一个已有环节的修改未必需要重新抓取视频。但如果系统只保存了最终报告内部流程又封成一个从头跑到尾的工具它就缺少从中间继续的条件。模型知道用户想改什么也不代表执行系统能够局部重跑。要支持这个需求就需要保存原始数据、清洗结果、分词参数和对应的中间产物并说明各阶段之间的依赖。修改分词只重做受影响的分析与报告如果修改的是视频筛选条件就需要重新确认资料范围再更新下游结果。新报告还要关联新的参数和数据版本避免旧结论混入新产物。Workflow 管理相对确定的依赖与执行约束Skill 组织可复用的方法模型处理需要根据结果继续判断的部分。三者可以在同一项任务中协作。在实现上Agent Skills 已有开放格式规范。名称和描述帮助发现能力正文提供操作方法脚本、参考资料和模板按需要加载具体注入、执行和权限机制由宿主实现。名称和描述因此也参与路由。两个 Skill 的触发条件很相近Agent 可能来回读取任务最后做完了时间却花在反复选择上。应当明确各自的任务、输入、输出与转交条件。拆分则要围绕可独立执行、检查和重跑的业务步骤。过大的封装难以调整过碎的拆分会增加选择与组合成本。可解释性也来自可复查的证据数据出处、筛选条件、中间产物和执行记录。模型事后生成一段合理解释无法替代这些东西。这也是 Skill 设计深入业务后必然会遇到的一步把人原来可以凭经验回退、修正和继续的工作变成系统也能够操作的过程。多 Agent 与信息的分工当一个 Agent 要处理的任务变多容易想到再加几个 Agent这可能是常见的工程错误这可能会增加复杂度…增加执行者之前需要先回答这些工作能否独立进行各自需要什么信息结果由谁接收怎样证明完成了。几个相互独立的市场调研可以分头读取资料再由主 Agent 汇总。每个子 Agent 维护局部上下文也能减轻主流程的信息负担。如果多个任务密集依赖同一份最新状态协调成本就会上升。几个 Agent 同时改同一个订单或修改相互依赖的代码分工之外还要处理一致性。因此委派一个等待人工确认时可以保存恢复所需的信息释放暂时不用的执行资源收到确认事件后再继续调度。重启时则根据检查点和操作记录判断从哪里恢复。这里需要特别小心有外部效果的动作。生成一份草稿可以重新计算修改订单、付款和发送消息要先确认此前是否生效。超时或取消也不能证明旧执行者已经停止。恢复任务时需要防止旧、新执行者重复写入。可靠恢复需要同时保存工作进度与已经发生的业务效果运行环境的选择也要围绕任务。本地环境接近用户文件和桌面工具云端便于持续执行和集中调度。沙箱用于约束执行边界可以放在本地也可以放在云端。这几个概念分别回答资源位置与隔离方式。轻量查询任务可以与业务服务共用一部分资源。长任务、浏览器操作和较大并发则更需要考虑隔离否则执行端可能挤占交互服务造成任务在跑、用户却进不去的情况。预算要进入任务控制。运行时间、步数、费用、并发和重复失败次数都可以设定限制。连续遇到相同错误时系统应当暂停、改变策略或交给人处理。模型能力提高后一些用于弥补判断能力的复杂提示和绕行流程可以重新评估。鉴权、审计、资源隔离和业务事务则仍是系统要履行的职责。这也是产研设计时应该保留的一条边界模型有能力继续尝试不意味着系统应该无限允许它继续执行。Agent 评测我们无论做什么都需要优先确定好坏的标准做 Agent 也是如此很多同学做评测模块喜欢后置但其实评测应该从需求阶段开始。产品定义典型输入、任务类型和预期结果研发明确可用能力与执行约束测试把它们组织成能够重复运行的用例。这样希望 Agent 很智能才能变成可以验证的交付要求。企业任务可以先按下面四类理解类型典型需求验收重点知识问答解释一条业务规则依据、版本与适用条件查询查看订单或客户状态对象、范围、时间与实际数据报告生成分析与建议数据来源、计算、结论及呈现执行修改信息或发送消息授权、参数、实际效果与写回状态复杂任务可以同时包含几类。开篇的客户跟进就跨越了查询、分析和执行。验收时要分清工具返回、任务结果和业务收益。接口返回成功有时只表示已经受理。Agent 回复“发送完成”也不能替代实际发送回执。任务完成的证据应该能够在产物或业务状态中找到。过程也有必须遵守的条件。例如发送前是否取得有效确认是否访问了权限范围以外的数据是否产生重复操作这些约束需要进入评测。至于合法路径本来就有多种的任务则不必强求完全一致的工具顺序。先看订单还是先读沟通记录可以不同目标是否达成、约束是否遵守、成本是否合理才是主要判断。Trace 用来记录执行过程帮助定位失败。它应当能关联输入、配置版本、信息来源、工具请求、执行结果、确认记录和最终状态。它提供可观察的运行证据并不等于模型内部推理的完整记录。有了这些信息团队才能区分对象找错了、工具选错了、参数填错了、接口失败了、上下文丢约束了还是授权没有传递到执行端。修复位置不同处理方式也不同。把所有失败都归为“模型不行”会让项目失去可迭代的空间。评分方式同样需要组合。能够确定检查的字段、金额、状态和权限用程序核验语义和报告质量可以用 LLM Judge 辅助业务专家通过样例与抽查校准判断。指标方面先看端到端任务通过率、完成时间与交付成本再用意图识别、参数正确率、工具成功率、无效调用和人工介入等过程指标解释原因。通过率必须说明分母和任务构成。大量简单任务的成功可能掩盖少数关键任务的失败。不同类型要分别观察重要约束单独设门槛。一次成功也只能证明这一次成功。重复运行有助于观察波动涉及写入时要在隔离环境中恢复约定的初始状态避免前一次执行改变下一次的条件。改模型、Prompt、工具或 Skill 时应记录版本并运行回归。已用于反复调试的用例之外还要保留未参与调试的样例检查改善是否能泛化。线上失败则应继续进入数据集经过归因、修复、验证形成下一轮迭代。评测的价值是让每一次改动都有可比较的依据让系统能够积累进步同时控制退化。结语今天内容已经很多了我们来做一个总结之前我们做任务是使用 Workflow但现在我们慢慢开始选择使用 Agent其实想要提升工作流的泛化能力。而如何保证 Agent 执行过程的稳定性这就是整个技术架构的真正发展脉络更多也不说了现阶段大家能够理解好什么是薄 Harness 厚 Skills就够了…大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。 
长河君 · 2026/10/22 13:03:45 · 阅读 1.2k 2026 Agent 概述：小白程序员必备收藏，轻松入门大模型学习
本文概述了 Agent 的概念和应用通过实例展示了 Agent 如何处理复杂任务并深入探讨了 Agent 系统设计的核心即如何将模型的判断与执行过程相结合。文章还讨论了 Agent 中的关键要素如工具、上下文、Skill、多 Agent、运行环境和评测以及它们如何协同工作。此外本文还强调了信息管理、多 Agent 协作和生命周期管理的重要性为读者提供了全面了解 Agent 技术的视角。我们常说 2025 年是 Agent 元年事实上今年小龙虾爆发后大家对 Agent 的熟悉度才真正的起来了那么到底什么是 Agent也许我们今天可以来一个 2026 Agent 概述了把这样一个任务交给 AI看看这个客户最近的订单和沟通记录 判断他为什么迟迟没有续约整理一份跟进建议 等我确认后把消息发给他这句话很短背后却是一整套软件行为系统需要识别客户取得访问权限查询多个数据源判断信息是否足够生成建议等待确认执行发送最后检查消息是否真的发出。中间还可能遇到权限不足以及用户临时修改要求等问题。Agent 要处理的就是这一类需要根据现场情况不断作出判断的任务。今年 Agent 很火围绕它出现了不少新名词。站在产研的角度更值得理解的是这些能力如何组成可以工作的系统我们常说的薄 Harness 厚 Skills 又是什么。Agent 系统设计的核心是把模型在运行中作出的判断接到一个可验证、可恢复的执行过程里。模型负责灵活理解与探索程序保证执行规则人承担关键决策与责任。工具、上下文、Skill、多 Agent、运行环境和评测都围绕这条主线展开。Agent 围绕任务组织能力传统软件通常把能力拆成菜单和页面。用户找到客户查看订单翻阅沟通记录再到消息系统里完成跟进。流程中的行为大量发生在人身上软件提供功能人负责把功能串起来。Agent 接过了其中一部分组织工作。它理解目标选择信息和工具根据执行反馈调整后续动作。它的产品价值可以概括为压缩用户和结果之间的这个中间层。理解这个变化首先要区分三个东西。大模型提供理解、推理和生成能力。工具让系统取得信息、执行操作。Agent 则通过运行机制把模型判断与工具执行接成循环例如搜索结果不足时继续补查发现订单与沟通记录冲突时核实满足任务要求时停止。这里存在运行中的决策。工作流会提前组织控制路径先查询再分类再生成报告。Agent 则把部分路径选择交给模型让它根据反馈继续判断。这是一种有用的架构区分实际系统可以组合使用两种机制。因此讨论 Agent 时核心问题也就出来了任务中哪些决定能够提前确定哪些需要现场判断以及这些判断出错会造成什么后果。一个规则清楚的报销流程完全可以把节点固定下来在票据理解等位置使用模型。一个复杂的故障排查任务则可能需要不断读取新证据调整排查方向。自主程度应当跟着任务需要变化。企业系统也会继续承担重要职责。CRM、ERP 除了保存客户、订单和库存还负责业务校验、事务和权限。Agent 可以在它们之上组织任务也可以直接成为现有系统的一部分。Agent 为软件增加了任务执行能力原有系统中的业务事实与执行规则仍需要可靠地维护。这也解释了 Coding Agent 为什么容易成为一个观察样本代码库提供上下文终端和脚本提供行动能力测试与构建产生反馈版本控制帮助恢复代码改动。换到企业业务这些条件往往需要重新建设。资料可能分散在不同部门接口未开放业务标准只在专家脑子里一些动作还无法撤回。判断一个场景适不适合 Agent可以先看四个条件信息能否取得工具能否使用结果能否验证失败能否恢复。这比从无脑使用 Agent 架构更容易得到清楚的设计。架构关系与运行过程要去理解 Agent可以先把整个系统放到一张职责图里Harness 组织一次次判断与执行Runtime 承载实际操作业务系统保存需要落地的事实。围绕这条关系任务控制提供边界资料与状态提供依据观测与评测提供改进所需的证据这四组职责分别回答四类问题职责组核心问题任务与控制谁让它做什么允许做到哪一步遇到什么情况要停判断与执行下一步怎样决定能力怎样调用操作在哪里执行状态与资料信息存在哪里哪个来源可信执行后更新了什么观察与改进怎样知道做对了出了问题改哪里改动有没有退化这是组织系统设计的一种方式不要求拆成四个服务Runtime 中运行的工具可以访问业务接口、读写文件上下文管理决定哪些资料进入模型执行记录再进入观测与评测。图中的反馈也包括根据评测结果调整配置、验证新版本的过程。Harness 可以理解为围绕模型工作的执行与控制机制包括上下文装配、工具调用、循环控制、暂停恢复、权限检查与运行记录不同实现会有不同边界。Runtime 则回答资源问题命令在哪台机器上运行依赖装在哪里文件怎样保存浏览器消耗谁的资源。有了这张地图再让客户跟进任务完整跑一遍。系统先确认用户身份和任务约束准备当轮上下文。模型要求查询订单程序校验后执行再把结果交回模型。模型发现缺少沟通记录继续补查信息足够后生成建议等待用户确认批准后执行发送再交付结果。在自定义函数调用中模型提出请求 → 应用执行 → 结果交回模型是基本机制提供方内建工具也有相应的执行服务第一张图表达系统关系第二张图表达一次执行。把两者分开后面的设计就容易定位工具问题影响行动上下文问题影响判断依据恢复问题影响任务持续评测问题影响验收。还要把交流记录与任务状态分开。用户可以换一个对话继续同一项任务一次任务也可能因失败产生多次运行。系统需要追踪目标、已执行步骤和已经产生的业务效果。用户说“接着做”应该能够恢复明确的任务状态。模型返回“完成了”则要继续核验交付物与业务状态。Agent Loop 是推进任务的循环验收机制决定这个循环什么时候有资格结束。工具需要行动反馈给 Agent 接入接口真正的难点在于把接口变成它能够准确选择、正确使用、理解反馈的能力。模型并不知道研发脑子里的业务背景。它通常依据名称、描述、参数和历史结果选择工具假设有三个工具分别叫智能查询、增强查询、高级查询。这些名字没有说明什么时候使用模型就很难稳定选择。更清楚的设计是按业务职责表达根据订单号查当前状态根据客户和时间范围批量查订单或者检索公开资料。工具说明还要交代不适用的情况避免能力重叠。工具描述同时承担了使用说明和选择规则的职责。描述模糊会直接变成运行中的选择成本。数量也需要围绕任务收敛。把每个底层接口都原样暴露出来可能让模型反复寻找把所有操作塞进一个万能工具又可能让参数复杂得难以理解。合适的粒度要通过真实任务验证。输入方面可以把确定性的转换留给程序。用户说“发到项目群”模型表达目标系统解析候选对象、检查权限、映射内部 ID。同名对象无法唯一确定时返回候选项或要求澄清。模型可以继续使用工具返回的稳定 ID但应减少凭空构造、反复转抄复杂标识的负担。工具返回的内容不只是执行结果也是 Agent 下一轮判断的依据。只告诉它失败了却不告诉它失败在哪里下一轮就只能继续猜。一个success: false通常不足以支持恢复。身份过期、查询为空、版本冲突和网络超时需要的处理方式并不相同。以群聊为例Agent 看完第 142 条消息开始组织回复等它准备发送时群里已经出现第 144 条消息。新内容可能改变原来的判断。发送接口可以要求携带已读取的消息版本在执行时检查状态。发生冲突时返回类似这样的信息。以下是一个简化的设计示例{ status: conflict, code: STALE_CONTEXT, observed_version: 142, current_version: 144, next_action: 读取新增消息重新判断是否发送 }是否遇到新消息就拒绝发送可以按产品场景决定。这个例子说明的关键是Agent 的决策基于一个状态快照执行时要判断这个快照是否仍然有效。但版本校验还要考虑任务能否继续推进。假如群里一直有人发消息每次发送都因序号变化被拒绝Agent 就可能一直刷新迟迟发不出回复所以真实业务会涉及很多策略设计。防止过期执行与保证任务继续推进需要一起设计。这类问题同样会出现在库存调整、订单处理和多人跟进客户中。执行还需要可信的身份用户确认也要绑定具体动作。批准向某位客户发送某段内容不意味着收件人和内容改变后仍可直接发送。系统需要保存确认记录并在执行前核验。MCP、CLI、Bash 都可以帮助组织行动能力。MCP 规范能力的发现和调用CLI 把能力封装为命令Bash 等 Shell 能够组合命令和运行脚本。MCP 可以本地运行CLI 也可以访问远端服务。它们怎样封装不会改变执行端的责任。工具提示帮助模型理解能力实际的文件、网络和业务权限仍要由程序约束。MCP 规范也明确要求服务端进行输入与访问权限校验。一个工具是否设计完整可以沿四个环节检查选得对、调得动、读得懂结果、失败后知道如何处理。上下文管理客户跟进任务中模型需要知道客户是谁当前订单怎样最近沟通过什么哪些要求已经确认。这些信息共同构成当轮决策的上下文。上下文工程要解决的就是信息从哪里来、怎样组织、何时更新以及怎样让后续执行继续使用它。企业里许多看似模型不懂业务的问题实际发生在信息进入模型之前。“退款”指申请退款还是已经退回资金“本月销售额”按下单、付款还是确认收货计算两个系统中的客户名称是否代表同一个对象口径不清楚模型很难替组织自动达成共识。检索能够把相关资料找出来资料本身仍然需要明确的语义。企业 Agent 因此经常需要进入数据治理和业务规则整理还有一些判断依据根本没有进入正式业务系统。客户经理为什么认为某个客户还值得跟进供应商为什么不愿按原数量补货这些信息可能还在聊天、Excel 或 Word 里。系统记录了最后的结果未必记录形成结果的过程。因此企业 Agent 的信息建设还要逐步取得业务人员实际使用的规则与判断依据。接通数据库只是其中一部分。把信息接通之后还要控制进入上下文的方式。一份十万行的订单数据可以保存在文件或数据库里让程序过滤聚合再把结果和出处交给模型。这样既减少反复传递也把确定性计算交给了更适合的执行方式。判断所需的信息要充分信息进入上下文的方式要有选择。长任务还会不断产生历史。压缩能够减少体积但必须保住后续执行需要的东西原始目标、最新约束、已确认的决定、失败原因、未完成事项以及重要证据的地址。一段已经完成前期分析的摘要没有说明哪些信息已经核实也没有说明接下来等谁决定很难支持可靠恢复。过度压缩可能丢掉后来才显得重要的细节这也是官方上下文工程实践明确讨论过的问题。为避免混淆可以把四类信息分开管理任务状态记录现在做到哪里。业务知识解释规则与方法。长期记忆保存适合跨任务使用的稳定信息。执行存档保存原始结果和日志供追溯和重新读取它们的更新方式不同。一次出差地点不能轻易写成长期住址聊天摘要中的付款状态也不能替代执行前对订单系统的查询。记忆是帮助继续工作的派生信息关键业务事实要能够回查。信息还要有可见范围。个人偏好、客户资料、团队规则和公司知识不应因为接进了同一个 Agent 就自动相互开放。任务委派给子 Agent 时也要明确可以传递哪些信息。外部资料的身份同样重要。网页、邮件可以提供证据其中夹带的指令不应获得系统规则的权限。来源、内容与授权需要分开理解。最后上下文建设还包含维护工作。设计文档与代码不一致知识库里并存多个互相冲突的版本都会使模型判断更加困难。接入能力可以一次完成信息的新鲜度、语义和一致性需要长期维护。Skill业务判断与过程调整工具回答能够做什么Skill 进一步说明这类事情应该怎样做。例如搜索工具可以找到海外达人但“找到适合某个品牌的达人”还需要判断在哪些平台搜索怎样组合关键词哪些账号需要排除如何判断活跃度和匹配程度数据不足时是否继续补查。这里比较难的经常又是那些老大难的标准问题到多少它算是好的到多少它算是坏的。这些阈值、例外和证据要求才是值得沉淀的经验。写出“搜索、筛选、生成报告”不难。难的是告诉它什么情况应该补查什么情况可以淘汰什么情况必须回来问人我们之前参与过的一个出海营销 Agent 的实现就经历过几次调整。最初尝试让模型直接生成代码完成工作。文档转换等相对简单的任务可以做但串联较长的业务步骤时稳定性不足。随后把流程接成外部工作流封装给 Agent 调用执行路径变得明确却又难以让 Agent 理解和调整内部环节。再把能力拆成工具也没有直接结束问题。固定路径容易保证顺序用户却希望在中间改变条件完全临时编排又会增加不确定性。最终需要在步骤组织、工具粒度与模型判断之间重新分配职责。这里的冲突很具体用户既希望任务稳定完成又希望已经完成一半的工作可以修改。总之这不是个确定性问题而是个权衡的问题咨询报告能把这个问题展示得更清楚。一个用于企业咨询交付的 YouTube 分析流程需要收集参数、抓取视频与评论、清洗数据、检查资料范围、调整分词最后生成洞察报告。分析师会先检查抓到的视频是否相关再检查分词和分析结果。报告中的稳定格式与可视化部分可以交给脚本生成。这类交付需要“每一步都要有可解释性”因为结论还要交给客户使用。假设分析师看完分词结果要求把两个词归并再重新查看结论。这是对一个已有环节的修改未必需要重新抓取视频。但如果系统只保存了最终报告内部流程又封成一个从头跑到尾的工具它就缺少从中间继续的条件。模型知道用户想改什么也不代表执行系统能够局部重跑。要支持这个需求就需要保存原始数据、清洗结果、分词参数和对应的中间产物并说明各阶段之间的依赖。修改分词只重做受影响的分析与报告如果修改的是视频筛选条件就需要重新确认资料范围再更新下游结果。新报告还要关联新的参数和数据版本避免旧结论混入新产物。Workflow 管理相对确定的依赖与执行约束Skill 组织可复用的方法模型处理需要根据结果继续判断的部分。三者可以在同一项任务中协作。在实现上Agent Skills 已有开放格式规范。名称和描述帮助发现能力正文提供操作方法脚本、参考资料和模板按需要加载具体注入、执行和权限机制由宿主实现。名称和描述因此也参与路由。两个 Skill 的触发条件很相近Agent 可能来回读取任务最后做完了时间却花在反复选择上。应当明确各自的任务、输入、输出与转交条件。拆分则要围绕可独立执行、检查和重跑的业务步骤。过大的封装难以调整过碎的拆分会增加选择与组合成本。可解释性也来自可复查的证据数据出处、筛选条件、中间产物和执行记录。模型事后生成一段合理解释无法替代这些东西。这也是 Skill 设计深入业务后必然会遇到的一步把人原来可以凭经验回退、修正和继续的工作变成系统也能够操作的过程。多 Agent 与信息的分工当一个 Agent 要处理的任务变多容易想到再加几个 Agent这可能是常见的工程错误这可能会增加复杂度…增加执行者之前需要先回答这些工作能否独立进行各自需要什么信息结果由谁接收怎样证明完成了。几个相互独立的市场调研可以分头读取资料再由主 Agent 汇总。每个子 Agent 维护局部上下文也能减轻主流程的信息负担。如果多个任务密集依赖同一份最新状态协调成本就会上升。几个 Agent 同时改同一个订单或修改相互依赖的代码分工之外还要处理一致性。因此委派一个等待人工确认时可以保存恢复所需的信息释放暂时不用的执行资源收到确认事件后再继续调度。重启时则根据检查点和操作记录判断从哪里恢复。这里需要特别小心有外部效果的动作。生成一份草稿可以重新计算修改订单、付款和发送消息要先确认此前是否生效。超时或取消也不能证明旧执行者已经停止。恢复任务时需要防止旧、新执行者重复写入。可靠恢复需要同时保存工作进度与已经发生的业务效果运行环境的选择也要围绕任务。本地环境接近用户文件和桌面工具云端便于持续执行和集中调度。沙箱用于约束执行边界可以放在本地也可以放在云端。这几个概念分别回答资源位置与隔离方式。轻量查询任务可以与业务服务共用一部分资源。长任务、浏览器操作和较大并发则更需要考虑隔离否则执行端可能挤占交互服务造成任务在跑、用户却进不去的情况。预算要进入任务控制。运行时间、步数、费用、并发和重复失败次数都可以设定限制。连续遇到相同错误时系统应当暂停、改变策略或交给人处理。模型能力提高后一些用于弥补判断能力的复杂提示和绕行流程可以重新评估。鉴权、审计、资源隔离和业务事务则仍是系统要履行的职责。这也是产研设计时应该保留的一条边界模型有能力继续尝试不意味着系统应该无限允许它继续执行。Agent 评测我们无论做什么都需要优先确定好坏的标准做 Agent 也是如此很多同学做评测模块喜欢后置但其实评测应该从需求阶段开始。产品定义典型输入、任务类型和预期结果研发明确可用能力与执行约束测试把它们组织成能够重复运行的用例。这样希望 Agent 很智能才能变成可以验证的交付要求。企业任务可以先按下面四类理解类型典型需求验收重点知识问答解释一条业务规则依据、版本与适用条件查询查看订单或客户状态对象、范围、时间与实际数据报告生成分析与建议数据来源、计算、结论及呈现执行修改信息或发送消息授权、参数、实际效果与写回状态复杂任务可以同时包含几类。开篇的客户跟进就跨越了查询、分析和执行。验收时要分清工具返回、任务结果和业务收益。接口返回成功有时只表示已经受理。Agent 回复“发送完成”也不能替代实际发送回执。任务完成的证据应该能够在产物或业务状态中找到。过程也有必须遵守的条件。例如发送前是否取得有效确认是否访问了权限范围以外的数据是否产生重复操作这些约束需要进入评测。至于合法路径本来就有多种的任务则不必强求完全一致的工具顺序。先看订单还是先读沟通记录可以不同目标是否达成、约束是否遵守、成本是否合理才是主要判断。Trace 用来记录执行过程帮助定位失败。它应当能关联输入、配置版本、信息来源、工具请求、执行结果、确认记录和最终状态。它提供可观察的运行证据并不等于模型内部推理的完整记录。有了这些信息团队才能区分对象找错了、工具选错了、参数填错了、接口失败了、上下文丢约束了还是授权没有传递到执行端。修复位置不同处理方式也不同。把所有失败都归为“模型不行”会让项目失去可迭代的空间。评分方式同样需要组合。能够确定检查的字段、金额、状态和权限用程序核验语义和报告质量可以用 LLM Judge 辅助业务专家通过样例与抽查校准判断。指标方面先看端到端任务通过率、完成时间与交付成本再用意图识别、参数正确率、工具成功率、无效调用和人工介入等过程指标解释原因。通过率必须说明分母和任务构成。大量简单任务的成功可能掩盖少数关键任务的失败。不同类型要分别观察重要约束单独设门槛。一次成功也只能证明这一次成功。重复运行有助于观察波动涉及写入时要在隔离环境中恢复约定的初始状态避免前一次执行改变下一次的条件。改模型、Prompt、工具或 Skill 时应记录版本并运行回归。已用于反复调试的用例之外还要保留未参与调试的样例检查改善是否能泛化。线上失败则应继续进入数据集经过归因、修复、验证形成下一轮迭代。评测的价值是让每一次改动都有可比较的依据让系统能够积累进步同时控制退化。结语今天内容已经很多了我们来做一个总结之前我们做任务是使用 Workflow但现在我们慢慢开始选择使用 Agent其实想要提升工作流的泛化能力。而如何保证 Agent 执行过程的稳定性这就是整个技术架构的真正发展脉络更多也不说了现阶段大家能够理解好什么是薄 Harness 厚 Skills就够了…大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。